基于RBF網絡的船用柴油機故障診斷

摘要：本文主要研究如何利用MATLAB神經網絡工具箱，基于徑向基（RBF）網絡進行柴油機的故障診斷。首先建立神經網絡模型，然后收集某型號柴油機的故障樣本集，采用一個單隱層的RBF網絡對樣本進行訓練。最后，通過測試網絡，驗證該網絡對于故障模式的識別準確率，并對故障嚴重程度進行定量預測。

關鍵詞：RBF網絡 柴油機 故障診斷

近年來，以非線性并行分布處理為主流的神經網絡理論的發展，為柴油機故障診斷技術的研究開辟了新的途徑。

1.RBF神經網絡

徑向基函數RBF神經網絡是具有單隱層的三層前饋網絡。目前已經證明，RBF網絡能夠以任意精度逼近任意連續函數。

RBF網絡的訓練過程分為兩步：第一步為無教師式學習，確定訓練輸入層與隱含層間的權值；第二步為有教師式學習，確定隱含層與輸出層間的權值。在訓練以前，需要提供輸入矢量X、對應的目標矢量T與徑向基函數的擴展常數C。訓練的目的是求取兩層的最終權值和閾值。RBF網絡具有結構自適應確定、輸出與初始權值無關等特點。

2.渦輪增壓系統的故障診斷

2.1 故障樣本集的收集與設計

根據對船用低速增壓柴油機的工作過程的理論分析和實際運行經驗，可以確定渦輪增壓系統各部件可能出現故障的原因和部位，作為故障變量，即輸出變量；同時確定用于區別各種故障的樣本集作為網絡的輸入變量。

（1）輸出變量

輸出變量即故障變量，包括正常工作F1、增壓器效率下降F2、空冷器傳熱惡化F3、透平保護格柵阻塞F4、透平通流部分阻塞F5。其中，F1到F5的取值范圍為[0，1]，0表示無此故障，1表示該故障嚴重。

（2）輸入變量

輸入變量包括排氣總管溫度Tr、掃氣箱壓力Ps、各缸平均燃燒最大爆發壓力Pmax、增壓器轉速[ntn]、掃排氣道壓損系數、壓氣機出口溫度Tc、掃氣箱溫度Ts、濾網壓損系數、空冷器壓損系數和直接測量得到的參數，有的是由測量參數導出的參數。

根據內燃機原理和船用柴油機技術規范的要求，可得到柴油機的工作參數標稱值，即無故障時的數據：

汽缸排氣溫度：30K濾網壓損系數0.1掃氣箱壓力：0.06Mpa 空冷器壓損系數：0.1 最大爆發壓力：1Mpa 增壓器轉速：25s-1 掃排氣道壓損系數：0.06 壓氣機出口溫度：30K掃氣箱溫度：40K

如果工作參數的上下偏差超過以上數據，則認為柴油機有故障。其中，排氣總管溫度Tr、掃氣箱壓力Ps、各缸平均燃燒最大爆發壓力Pmax、增壓器轉速[ntn]、掃排氣道壓損系數、壓氣機出口溫度Tc、掃氣箱溫度Ts作為網絡的輸入變量。

（3）故障樣本集的設計

故障樣本集的正確確定是神經網絡準確進行故障診斷的關鍵環節。渦輪增壓系統的一種故障對應一個樣本。為了進一步診斷故障的嚴重程度，這里對每個故障取兩個樣本，目標值分別為0.5和1。故障樣本數據（環境溫度：288K）第一組（輸入向量：00 00 00 0 0.500，目標向量：00000）第二組（輸入向量：0.935 -0.576 -0.892 -0.900 0.088 -0.604 -0.69 0.499，目標向量：01000）第三組（輸入向量：0.253 -0.301 -0.304 0.431 0.031 -0.298 -0.038 0.499，輸出向量：00.5 000）第四組（輸入向量：0.277 0.166 0.106 0.200 -0.030 0.179 0.390 0.499，輸出向量：00 100）第五組（輸入向量：0.085 0.058 0.039 0.070 -0.010 0.061 0.122 0.499，輸出向量：000.5 00）第六組（輸入向量：0.657 -0.319 -0.351 -0.548 0.118 -0.419 -0.057 0.449，輸出向量：00010）第七組（輸入向量：0.256 -0.166 -0.179 -0.289 0.065 -0.225 -0.034 0.449，輸出向量：0000.5 0）第八組（輸入向量：0.615 0.698 0.252 0.687 0.092 0.685 0.065 0.449，輸出向量：0000 1）第九組（輸入向量：0.128 0.255 0.239 0.254 0.043 0.245 0.020 0.499，輸出向量：00000.5），利用這部分數據進行網絡訓練。

2.2 網絡輸出向量設計

從便于故障診斷的角度出發，將故障的嚴重程度分為3級，即1級故障、2級故障和無故障。根據網絡的輸出向量，結果處理如下：

若0.751.50，則=正常，無故障。由此可判定故障的嚴重程度。

3.網絡設計

徑向基網絡主要包括隱含層和輸出層，其中隱含層的傳遞函數為radbas，輸出層的傳遞函數為純線性函數purelin。神經網絡工具箱中用于創建RBF網絡的函數為newrbe，在設計過程中，最重要的參數是徑向基函數的分布常數。由于本設計中樣本數目不是很大，可以將分布函數設定為1.2。由此，可利用如下MATLAB代碼創建一個RBF網絡。spread=1.2; net=newrbe(P，T，spread)；其中，P和T分別對應輸入向量和目標向量。

在利用函數newrbe創建RBF網絡過程中，可以自動增加隱含層的神經元個數，直到均方誤差滿足要求為止。所以網絡的創建過程就是訓練過程。

接下來通過一組實際數據對網絡進行測試，看網絡是否可以正確診斷出渦輪增壓系統中的故障。分別在F2、F3和F4有故障時進行測量，得到各參數的值，將這些數據作為輸入向量，利用仿真函數計算網絡的輸出，通過故障判別準則來判斷是否出了故障。測試數據為輸入向量：0.920-0.526-0.885-0.970 0.090 -0.611 -0.071 0.502，故障原因：F2有嚴重故障；輸入向量：0.091 0.061 0.036 0.068 -0.012 0.059 0.131 0.499，故障原因：F3有嚴重故障；輸入向量：0.671 -0.315 -0.362 -0.552 0.121 -0.417 -0.061 0.499，故障原因：F4有嚴重故障。測試結果：輸出結果：0 0.9955 -0.0704 0.0021 0.0069，故障類別：F2有嚴重故障；輸出結果：0 -0.0086 0.0082 1.0219 -0.0007，故障類別：F3有嚴重故障；輸出結果：0 -0.0005 0.5318 0.0042 -0.0073，故障類別：F4有嚴重故障；

分析結果后發現，網絡成功地診斷出了所有故障。因此，可以將該網絡投入實際工程應用。但是，由于本設計中所用到的樣本數量比較少，對于那些和訓練數據相差很大的數據，網絡可能無法做出正確的診斷。在這種情況下，建議采用大容量的訓練樣本。

作者簡介：

申慧(1983.1- ) ，綿陽職業技術學院工作，研究方向：智能控制方向；

丁北(1983.9- )，空軍大連通信士官學校基礎部工作，研究方向：電子信息方向；

宋治飛(1982.11- )，空軍大連通信士官學校無線電通信系工作， 研究方向：通信指揮方向。